CN110866439B - 基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法 - Google Patents

基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法 Download PDF

Info

Publication number
CN110866439B
CN110866439B CN201910914789.4A CN201910914789A CN110866439B CN 110866439 B CN110866439 B CN 110866439B CN 201910914789 A CN201910914789 A CN 201910914789A CN 110866439 B CN110866439 B CN 110866439B
Authority
CN
China
Prior art keywords
kernel
super
sparse representation
classification
pixels
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910914789.4A
Other languages
English (en)
Other versions
CN110866439A (zh
Inventor
李丹
孔繁锵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Publication of CN110866439A publication Critical patent/CN110866439A/zh
Application granted granted Critical
Publication of CN110866439B publication Critical patent/CN110866439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法，用于提高高光谱图像的分类精度。本发明首先提取空间特征以及局部和全局的超像素特征，充分利用空间信息提高分类精度。然后，提出一种基于多特征的核稀疏表示分类方法，有效求解高维特征空间线性不可分的分类问题。并且，充分利用多特征之间的相似性和多样性，使用多核学习方法构建基础核并优化基础核的系数，设计复合核来代替核稀疏表示方法中的单一核，有利于进一步改善分类精度。与同类经典高光谱图像分类方法相比，本发明分类方法分类精度更高，可应用于高光谱分类及航天遥感等领域。

Description

基于多特征学习及超像素核稀疏表示的高光谱图像联合分类 方法
技术领域
本发明涉及一种基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法，属于高光谱数据处理技术领域，用于小样本情况下有效提高分类精度，可应用于航天遥感探测等实际工程领域。
背景技术
高光谱图像分类技术是遥感领域的热点研究问题，其目标是将每一个光谱像素点分到特定的类别。近年来，很多分类方法被提出，包括MLR，SVM和神经网络等。但是，这些方法只利用了高光谱数据的光谱信息，而忽略了空间信息，因此导致了有噪声的分类结果。为了克服这个问题，很多尝试结合高光谱图像的光谱信息和空间信息的方法被提出。其中一种方法是基于局部区域的像素点具有相似的光谱特征并且通常代表同一类物质这一事实，提取空间信息，在很大程度上提高了分类精度。另一种方法则是从不同方面提出空间特征描述，例如形状特征，纹理特征及滤波特征等等，也在很大程度上提高了分类精度。由于一种特征只能从某一个方面来描述像素点，所以结合多种特征是应用于高光谱图像分类变成一种趋势。现有的基于多特征的分类方法仍然存在明显的问题，例如如何充分考虑不同特征之间的相似性和多样性。
本发明提出了一种基于多特征学习及超像素核稀疏表示的高光谱图像分类方法。首先，使用PCA(PrincipalComponents Analysis，主成分分析)减小原始高光谱数据的维度并使用一种有效的过分割算法来产生自适应形状的超像素。然后，提取局部和全局的空间特征并设计基于超像素的空间特征从不同方面描述测试像素点，有效提高分类精度。并且，设计基于超像素的空间特征可以有效避免超像素稀疏表示分类器中的联合重建，减小计算复杂度。由于高维特征空间中的像素点趋于线性不可分，提出基于多特征的核稀疏表示分类方法来求解高光谱分类的线性不可分问题。为了利用不同特征之间的关联性和差异项，设计复合核来替代核稀疏表示分类器中的单一核，嵌入多核学习分别构建基础核并优化基础核的系数。这样能充分考虑到多特征之间的相似性及差异性，有利于提高分类精度。
发明内容
本发明要解决的技术问题为：如何有效提取高光谱图像局部及全局的空间特征，并且充分考虑不同特征之间的相似性及多样性，有效求解高维多特征空间的线性不可分问题，提高分类精度。
本发明解决上述技术问题采用的技术解决方案为：一种基于多特征学习及超像素核稀疏表示的高光谱图像分类方法。该方法提取空间特征并设计超像素特征，提出基于多特征的核稀疏表示分类方法求解高维特征空间的线性不可分问题，提高了分类精度。并且，为了充分利用多特征之间的相似性和多样性，构建复合核来代替单一核，嵌入多核学习分别构建基础核并优化基础核的系数，进一步提高分类精度。
该方法包括以下步骤：
步骤1、对原始高光谱图像X0进行PCA操作，得到前三幅主成分图像；
步骤2、对前三幅主成分图像实施熵率超像素算法，获得L个非重叠的3-D超像素；
步骤3、分别从原始高光谱图像X0提取LBP纹理特征Xlbp和DMP形状特征Xdmp；
步骤4、对每一个超像素其中Z代表每个超像素包含的像素数量，基于/>获取超像素内的空间信息，并且将计算得到的替代该超像素内的所有像素，整合所有新的超像素生成超像素内的局部空间特征Xmean；
步骤5、以每一个超像素选择J个与其相邻的超像素/>使用这些相邻超像素的平均值/>作为特征，基于计算相应相邻超像素的权值，其中h是一个预设的常数，并且基于/>计算超像素/>的权重平均值，使其替代所有超像素内的像素，整合所有新得到的超像素生成超像素间的全局空间特征Xweight；
步骤6、创建特征空间Y＝[X0,Xlbp,Xdmp,Xmean,Xweight]；
步骤7、随机选择部分已标记的像素点作为训练样本集D，剩余未标记的像素点作为测试样本集；
步骤8、为不同特征构建基础核kp(di,dj),p＝1,2,…,P，并优化计算基础核的系数βp,p＝1,2,…,P；di,dj分别表示任意两个光谱像素，P为基础核的个数；
步骤9、通过公式计算得到复合核；
步骤10、计算基础核矩阵K(D,D)；
步骤11、使用核稀疏表示方法分别对每一个测试样本y进行分类，得到分类结果。
优选的，所述步骤8为不同特征构建基础核kp(di,dj),p＝1,2,…,P，并优化计算基础核的系数βp,p＝1,2,…,P的算法流程如下所示：
8-1)基于高斯核公式为特征空间Y的不同特征构建多个基础核；σ为高斯尺度；
8-2)利用训练样本集D构建基础核矩阵其中Dij,j＝1,2,…,C是对角块；N表示训练样本的个数，C表示对角块的个数；
8-3)使用公式计算基础核矩阵Ki和理想核矩阵之间的相似性，其中S(Dij)表示矩阵Dij所有元素的加和；
8-4)计算基础核的权重值：
优选的，所述步骤11使用核稀疏表示方法分别对每一个测试样本y进行分类的算法流程如下所示：
11-1)对每一个测试样本y，实施以下过程：
11-2)计算k(y,y)和K(y,D)；
11-3)基于核稀疏表示方法计算得到稀疏表示α*；
11-4)根据公式计算每一类的重建误差
11-5)根据判别标准Class(y)＝argmini＝1,2…,Cri(y)来决定测试样本y的类别标签。
优选的，所述步骤11-3)基于核稀疏表示方法计算得到稀疏表示α*的算法流程如下所示：
11-3-1)输入：测试样本y；训练样本集D；稀疏度K；最小误差界定ε；
11-3-2)分别计算γ＝k(y,y)，K(D,D)和χ＝k(y,D)；
11-3-3)初始化稀疏表示α＝[0,0,…,0]T，索引集误差/>
11-3-4)当迭代次数t≤K或者实施以下循环：
11-3-4-1)计算χ-αTK(:,Δt)，并且选取具有最大值的索引位置idxt；
11-3-4-2)扩充集合Δt＝[Δt-1idxt]；
11-3-4-3)计算Kt＝K[Δt,Δt]和χt＝χ[Δt]；
11-3-4-4)更新稀疏表示
11-3-4-5)更新误差
11-3-5)得到稀疏表示α*。
本发明与现有技术相比，其显著优点在于：
(1)本发明不仅提取空间特征，还提取了局部和全局的超像素特征，充分利用了原始图像的空间信息，在很大程度上提高了分类精度；
(2)本发明提出一种基于多特征的核稀疏表示分类方法，能够有效求解高维特征空间线性不可分的分类问题；
(3)本发明充分利用多特征之间的相似性和多样性，使用多核学习方法构建基础核并优化基础核的系数，设计复合核来代替核稀疏表示方法中的单一核，有利于进一步改善分类精度；
(4)本发明提出的分类方法与其他同类型方法相比，在训练样本量较少的情况下具有更高的分类精度。
附图说明
图1为本发明方法的流程示意图。
图2为超像素示意图。
图3为实验高光谱图像。
图4为本发明所述分类方法MFL-SKSRC及SVM，SRC，JSRC，SAJSRC，SPJSRC，MFASRC，SSFL-KSRC和SPFL-KSRC九种分类方法对实验高光谱图像分类结果的视觉对比图。
图5为本发明所述分类方法MFL-SKSRC及SVM，SRC，JSRC，SAJSRC，SPJSRC，MFASRC，SSFL-KSRC和SPFL-KSRC九种分类方法在训练样本量从0.1％增长到1％时，总体分类精度OA的曲线图。
图6为本发明所述分类方法MFL-SKSRC在稀疏度从1增长到10时，OA的曲线图。
图7为本发明所述分类方法MFL-SKSRC在超像素数量从50增长到1000时，OA的曲线图。
图8为本发明所述分类方法MFL-SKSRC在高斯尺度σ从0.001增长到0.1时，OA的曲线图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式做详细描述。
如图1所示为本发明所述基于多特征学习及超像素核稀疏表示的高光谱图像分类方法的流程图。其具体的流程描述如下：
步骤1、对原始高光谱图像X0进行PCA操作，得到前三幅主成分图像；
步骤2、对前三幅主成分图像实施熵率超像素算法，获得L个非重叠的3-D超像素；
步骤3、分别从原始高光谱图像X0提取LBP(Local Binary Patterns，局部二值模式)纹理特征Xlbp和DMP(Differential Morphological Profils)形状特征Xdmp；
步骤4、对每一个超像素其中Z代表每个超像素包含的像素数量，基于/>获取超像素内的空间信息，并且将计算得到的/>替代该超像素内的所有像素，整合所有新的超像素生成超像素内的局部空间特征Xmean；
步骤5、以每一个超像素选择J个与其相邻的超像素/>使用这些相邻超像素的平均值/>作为特征，基于计算相应相邻超像素的权值，其中h是一个预设的常数，并且基于/>计算超像素/>的权重平均值，使其替代所有超像素内的像素，整合所有新得到的超像素生成超像素间的全局空间特征Xweight；
步骤6、创建特征空间Y＝[X0,Xlbp,Xdmp,Xmean,Xweight]；
步骤7、随机选择部分已标记的像素点作为训练样本集D，剩余未标记的像素点作为测试样本集；
步骤8、为不同特征构建基础核kp(di,dj),p＝1,2,…,P，并优化计算基础核的系数βp,p＝1,2,…,P；di,dj分别表示任意两个光谱像素，P为基础核的个数；
步骤9、通过公式计算得到复合核；
步骤10、计算基础核矩阵K(D,D)；
步骤11、使用核稀疏表示方法分别对每一个测试样本y进行分类，得到分类结果；
以上所述步骤8为不同特征构建基础核kp(di,dj),p＝1,2,…,P，并优化计算基础核的系数βp,p＝1,2,…,P的算法流程如下所示：
8-1)基于高斯核公式为特征空间Y的不同特征构建多个基础核；σ为高斯尺度；
8-2)利用训练样本集D构建基础核矩阵其中Dij,j＝1,2,…,C是对角块，N表示训练样本的个数，C表示对角块的个数；
8-3)使用公式计算基础核矩阵Ki和理想核矩阵之间的相似性，其中S(Dij)表示矩阵Dij所有元素的加和；
8-4)计算基础核的权重值：
以上所述步骤11使用核稀疏表示方法分别对每一个测试样本y进行分类的算法流程如下所示：
11-1)对每一个测试样本y，实施以下过程：
11-2)计算k(y,y)和K(y,D)；
11-3)基于核稀疏表示方法计算得到稀疏表示α*；
11-4)根据公式计算每一类的重建误差
11-5)根据判别标准Class(y)＝argmini＝1,2…,Cri(y)来决定测试样本y的类别标签。
所述步骤11-3)基于核稀疏表示方法计算得到稀疏表示α*的算法流程如下所示：
11-3-1)输入：测试样本y；训练样本集D；稀疏度K；最小误差界定ε；
11-3-2)分别计算γ＝k(y,y)，K(D,D)和χ＝k(y,D)；
11-3-3)初始化稀疏表示α＝[0,0,…,0]T，索引集误差/>
11-3-4)当迭代次数t≤K或者实施以下循环：
11-3-4-1)计算χ-αTK(:,Δt)，并且选取具有最大值的索引位置idxt；
11-3-4-2)扩充集合Δt＝[Δt-1idxt]；
11-3-4-3)计算Kt＝K[Δt,Δt]和χt＝χ[Δt]；
11-3-4-4)更新稀疏表示
11-3-4-5)更新误差
11-3-5)得到稀疏表示α*。
图2为超像素数目为200时得到的Indian Pines图像的超像素示意图。从图2可以看出，平滑区域的超像素尺寸较大而非平滑区域的超像素尺寸较小，这说明了超像素的形状和尺寸可以基于不同的空间特征而自适应的变化。超像素的特点有利于充分获取空间信息来改善分类精度。
实施例一：
为了更好的体现本发明基于多特征学习及超像素核稀疏表示的高光谱图像分类方法的优势，下面结合一具体事例，将本发明所述的分类方法与已存在的经典分类方法SVM，SRC，JSRC，SAJSRC，SPJSRC，MFASRC，SSFL-KSRC和SPFL-KSRC作比较。
比较的方式为：对图3所示的真实高光谱图像Salinas进行分类，随机选取1％的像素点作为训练样本集，剩余99％的像素点作为测试样本集，比较以上9种分类方法所能达到的分类结果。分类结果使用整体分类精度(OA)，平均分类精度(AA)，κ系数和各类的分类精度来表示。并且，为进一步分析不同参数对本发明分类方法的影响，在训练样本量从0.1％增长到1％时，疏度从1增长到10时，超像素数量从50增长到1000时及高斯尺度σ从0.001增长到0.1时，分别对实验图像进行分类实验，分类结果使用OA表示。
表1为9种分类方法对实验高光谱图像的OA，AA，κ系数和各类的分类精度的对比仿真结果。从表1可以看出，本发明方法MFL-SKSRC获得了最高OA，AA和κ系数，即最好的分类结果。图4为本发明所述分类方法MFL-SKSRC及SVM，SRC，JSRC，SAJSRC，SPJSRC，MFASRC，SSFL-KSRC和SPFL-KSRC九种分类方法对实验图像分类结果的视觉对比图。从图4可以看出，本发明所提出的分类方法MFL-SKSRC能够提供最好的分类结果。
表1样本量为1％时，7种分类方法对实验图像的OA，AA，κ系数和每类分类精度的对比仿真结果
图5为本发明所述分类方法MFL-SKSRC及SVM，SRC，JSRC，SAJSRC，SPJSRC，MFASRC，SSFL-KSRC和SPFL-KSRC九种分类方法在训练样本量从0.1％增长到1％时，总体分类精度OA的曲线图。从图5可以看出，训练样本量从0.1％增长到1％，MFL-SKSRC都得到了最高的分类精度，尤其是训练样本量非常低的情况下优势更为明显。
图6为本发明所述分类方法MFL-SKSRC在稀疏度从1增长到10时，OA的曲线图。从图6可以看出，当稀疏度从1增长到3的过程中，MFL-SKSRC提高了分类精度。而随着稀疏度的持续增长，MFL-SKSRC的分类精度有所下降。这主要是因为当稀疏度很大时，字典中一些其他类的原子会被错误的选择，从而造成相对较差的分类结果。
图7为本发明所述分类方法MFL-SKSRC在超像素数量从50增长到1000时，OA的曲线图。从图7可以看出，随着超像素数目的增长，MFL-SKSRC的分类精度有所下降。主要原因是：当超像素数目变多，超像素的尺寸会随着变小，导致空间信息不能被充分利用。
图8为本发明所述分类方法MFL-SKSRC在高斯尺度σ从0.001增长到0.1时，OA的曲线图。从图8可以看出，分类精度先随着σ的增大而增大，随后随着σ的增大而减小，并且σ对分类精度具有较大的影响。而本发明方法的目的为获得最高的分类精度，所以在本发明方法中选取高斯核尺度σ为0.2。
综上所述，本发明提取局部和全局的空间特征并构建超像素特征，充分利用空间信息，在很大程度上提高了分类精度。然后提出基于多特征的核稀疏表示方法有效求解高维特征空间线性不可分的分类问题。并且，为了充分利用多特征之间的相似性和多样性，嵌入多核学习方法生成基础核并优化基础的系数，构建复合核来代替单一核，进一步提高了分类精度。
以上的实施例仅是用来说明本发明，而并非用于作为本发明的限定。任何熟悉本技术领域的技术人员应当认识到，在本发明揭露的技术范围内，可轻易想到的变换或替换，以及对上述实施例的变化变形都将落在本发明权利要求书的范围内。

Claims (4)

1.一种基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法，其特征在于，算法步骤如下：
步骤1、对原始高光谱图像X0进行PCA操作，得到前三幅主成分图像；
步骤2、对前三幅主成分图像实施熵率超像素算法，获得L个非重叠的3-D超像素；
步骤3、分别从原始高光谱图像X0提取局部二值模式纹理特征Xlbp和微分形态学剖面形状特征Xdmp；
步骤4、对每一个超像素其中Z代表每个超像素包含的像素数量，基于/>获取超像素内的空间信息，并且将计算得到的替代该超像素内的所有像素，整合所有新的超像素生成超像素内的局部空间特征Xmean；
步骤5、以每一个超像素选择J个与其相邻的超像素/>使用这些相邻超像素的平均值/>作为特征，基于计算相应相邻超像素的权值，其中h是一个预设的常数，并且基于/>计算超像素/>的权重平均值，使其替代所有超像素内的像素，整合所有新得到的超像素生成超像素间的全局空间特征Xweight；
步骤6、创建特征空间Y＝[X0，Xlbp,Xdmp，Xmean，Xweight]；
步骤7、随机选择部分已标记的像素点作为训练样本集D，剩余未标记的像素点作为测试样本集；
步骤8、为不同特征构建基础核kp(di，dj)，p＝1,2,…,P，并优化计算基础核的系数βp,p＝1,2,…,P；di,dj分别表示任意两个光谱像素，P为基础核的个数；
步骤9、通过公式计算得到复合核；
步骤10、计算基础核矩阵K(D,D)；
步骤11、使用核稀疏表示方法分别对每一个测试样本y进行分类，得到分类结果。
2.根据权利要求1所述的一种基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法，其特征在于：
所述步骤8为不同特征构建基础核kp(di,dj),p＝1,2,…,P，并优化计算基础核的系数βp,p＝1,2,…,P的算法流程如下所示：
8-1)基于高斯核公式为特征空间Y的不同特征构建多个基础核；σ为高斯尺度；
8-2)利用训练样本集D构建基础核矩阵其中Dij,j＝1,2，…，C是对角块；N表示训练样本的个数，C表示对角块的个数；
8-3)使用公式计算基础核矩阵Ki和理想核矩阵之间的相似性，其中S(Dij)表示矩阵Dij所有元素的加和；
8-4)计算基础核的权重值：
3.根据权利要求1所述的一种基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法，其特征在于：
所述步骤11使用核稀疏表示方法分别对每一个测试样本y进行分类的算法流程如下所示：
11-1)对每一个测试样本y，实施以下过程：
11-2)计算k(y，y)和K(y，D)；
11-3)基于核稀疏表示方法计算得到稀疏表示α*；
11-4)根据公式计算每一类的重建误差
11-5)根据判别标准Class(y)＝argmini＝1，2…，Cri(y)来决定测试样本y的类别标签。
4.根据权利要求3所述的一种基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法，其特征在于：
所述步骤11-3)基于核稀疏表示方法计算得到稀疏表示α*的算法流程如下所示：
11-3-1)输入：测试样本y；训练样本集D；稀疏度K；最小误差界定ε；
11-3-2)分别计算γ＝k(y，y)，K(D，D)和χ＝k(y，D)；
11-3-3)初始化稀疏表示α＝[0,0,…,0]T，索引集误差/>
11-3-4)当迭代次数t≤K或者实施以下循环：
11-3-4-1)计算并且选取具有最大值的索引位置idxt；
11-3-4-2)扩充集合Δt＝[Δt-1idxt]；
11-3-4-3)计算Kt＝K[Δt,Δt]和χt＝χ[Δt]；
11-3-4-4)更新稀疏表示
11-3-4-5)更新误差
11-3-5)得到稀疏表示α*。
CN201910914789.4A 2019-09-25 2019-09-26 基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法 Active CN110866439B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910909077 2019-09-25
CN2019109090773 2019-09-25

Publications (2)

Publication Number Publication Date
CN110866439A CN110866439A (zh) 2020-03-06
CN110866439B true CN110866439B (zh) 2023-07-28

Family

ID=69652860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910914789.4A Active CN110866439B (zh) 2019-09-25 2019-09-26 基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法

Country Status (1)

Country Link
CN (1) CN110866439B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560949B (zh) * 2020-12-15 2022-10-14 南京航空航天大学 基于多级统计学特征提取的高光谱分类方法
CN112733769B (zh) * 2021-01-18 2023-04-07 西安电子科技大学 基于多波段熵率超像素分割的高光谱图像分类方法
CN113065518A (zh) * 2021-04-25 2021-07-02 中国电子科技集团公司第二十八研究所 基于lbp特征的超像素空谱多核高光谱图像分类方法
CN113343900A (zh) * 2021-06-28 2021-09-03 中国电子科技集团公司第二十八研究所 基于cnn与超像素结合的组合核遥感影像目标检测方法
CN113569641A (zh) * 2021-06-28 2021-10-29 遥聚信息服务(上海)有限公司 一种基于遥感图像的特征数据提取方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760900A (zh) * 2016-04-08 2016-07-13 西安电子科技大学 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815601B (zh) * 2017-01-10 2019-10-11 西安电子科技大学 基于递归神经网络的高光谱图像分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760900A (zh) * 2016-04-08 2016-07-13 西安电子科技大学 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法

Also Published As

Publication number Publication date
CN110866439A (zh) 2020-03-06

Similar Documents

Publication Publication Date Title
CN110866439B (zh) 基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法
CN109948693B (zh) 基于超像素样本扩充和生成对抗网络高光谱图像分类方法
CN110210313B (zh) 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法
CN107316013B (zh) 基于nsct变换和dcnn的高光谱图像分类方法
Montazer et al. An improved radial basis function neural network for object image retrieval
Jiang et al. Multilayer spectral–spatial graphs for label noisy robust hyperspectral image classification
CN109299668B (zh) 一种基于主动学习和聚类分析的高光谱图像分类方法
CN110533683B (zh) 一种融合传统特征与深度特征的影像组学分析方法
Swiderski et al. Novel methods of image description and ensemble of classifiers in application to mammogram analysis
Ensafi et al. Accurate HEp-2 cell classification based on sparse coding of superpixels
CN109840518B (zh) 一种结合分类与域适应的视觉追踪方法
Valliammal et al. A novel approach for plant leaf image segmentation using fuzzy clustering
Akhtar et al. Optical character recognition (OCR) using partial least square (PLS) based feature reduction: an application to artificial intelligence for biometric identification
CN110427997A (zh) 面向复杂遥感影像背景的改进cva变化检测方法
Xie et al. Mutually exclusive-KSVD: Learning a discriminative dictionary for hyperspectral image classification
CN111460966A (zh) 基于度量学习和近邻增强的高光谱遥感图像分类方法
Sheikh Abdullah et al. Round randomized learning vector quantization for brain tumor imaging
Nanda et al. A person re-identification framework by inlier-set group modeling for video surveillance
Meurie et al. A comparison of supervised pixels-based color image segmentation methods. application in cancerology
CN110264482B (zh) 基于中智集变换矩阵因子分解的活动轮廓分割方法
CN112560949A (zh) 基于多级统计学特征提取的高光谱分类方法
Tu et al. Texture pattern separation for hyperspectral image classification
CN111401485A (zh) 实用的纹理分类方法
CN111539966A (zh) 一种基于模糊c均值聚类的比色传感器阵列图像分割方法
Sarraf Binary Image Segmentation Using Classification Methods: Support Vector Machines, Artificial Neural Networks and K th Nearest Neighbours

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant